Composable Uncertainty in Symmetric Monoidal Categories for Design Problems (Extended Version)

기술 요약: 설계 문제를 위한 대칭 단성 범주에서의 합성 가능한 불확실성

문제 정의
복잡한 시스템의 설계는 개방형 시스템에 대한 범주적 모델, 구체적으로 설계 문제(Design Problem, DP) 범주에 의존하는 경우가 많으며, 이는 컴팩트 폐쇄 대칭 단성 범주(compact closed symmetric monoidal category, SMC)이다. DP에서 사상(morphism)은 자원과 기능 사이의 타당성 관계를 나타내며, 이는 단조 함수로 모델링된다. 이 프레임워크는 합성적인 공동 설계(co-design)를 지원하지만, 시스템이 완전히 알려져 있고 결정론적이라고 가정한다. 실제 상황에서 시스템은 불확실성(예: 분포를 따르는 재료 특성, 성능 경계 또는 부정확한 확률)과 매개변수 의존성(예: 설계 선택이 최적 파라미터에 영향을 미침)을 포함한다. 상한 및 하한을 사용하는 것과 같은 현재의 공동 설계 내 불확실성 처리 방식은 견고하지만, 성공 확률에 대한 정량적 척도나 특정 설계 선택에 의존하는 매개변수적 불확실성을 모델링하는 능력은 부족하다. 따라서 불식적인 구조를 유지하면서 양적인 불확실성 의미론(예: 구간, 부분집합 또는 분포)을 개방형 시스템의 합성 구조에 통합하는 프레임워크가 필요하다.

방법론
저자들은 인리치드 범주(enriched category)의 **변화-기반 구성(change-of-base construction)**을 활용하여 임의의 대칭 단성 범주(SMC)에 매개변수적 불확실성을 추가하는 일반적인 체계를 제안한다. 방법론은 다음과 같이 세 가지 주요 단계로 진행된다:

1. 모나드를 통한 불확실성 의미론: 불확실성은 기저 단성 범주 $V$(예: $\mathbf{Set}$, $\mathbf{Pos}$, $\mathbf{Meas}$) 상의 대칭 단성 모나드($M$)를 사용하여 모델링된다. 이러한 모나드의 클레이슬리 범주(Kleisli category) $\mathbf{Kl}_M$은 마르코프 범주(Markov category)를 형성하며, 다양한 불확실성 유형(예: 부분집합을 위한 멱집합 모나드, 확률 분포를 위한 기리(Giry) 모나드, 또는 구간을 위한 화살표 모나드)을 포착한다.
2. 인리치먼트를 위한 변화-기반: 주어진 $V$-범주 $\mathcal{C}$에 대하여, 저자들은 $\mathcal{C}$의 호름-대상(hom-objects) $\mathcal{C}(X,Y)$를 매개변수 맵 $A \to M\mathcal{C}(X,Y)$로 대체한다. 이는 대칭 단성 함자 $N: V \to W$(구체적으로는 항등-대상-상(identity-on-objects) 함자 $L_M: V \to \mathbf{Kl}_M$)를 따라 변화-기반 구성을 적용함으로써 달성된다.
3. 매개변수화를 위한 부분 슬라이스 함자: 외부 매개변수화를 도입하기 위해, 저자들은 $U$가 대상 범주의 엄격한 단성 부분 범주인 부분 슬라이스 함자(partial slice functor) $U/(-)$를 활용한다. 이 함자는 대상을 코마 범주(comma category)로 매핑하며, 이는 화살표를 $U$의 대상들에 의해 인덱싱된 사상의 가족으로 취급함을 의미한다.

이를 결합함으로써, 저자들은 새로운 2-범주 $(U/MF)^*\mathcal{C}$를 구축한다:

• **0-셀(0-cells)**은 원래 범주 $\mathcal{C}$의 대상들이다.
• **1-셀(1-cells)**은 클레이슬리 범주의 사상으로서, 매개변수 맵 $A \to M\mathcal{C}(X,Y)$를 나타낸다.
• **2-셀(2-cells)**은 파라미터 공간 사이의 재매개변수화 맵(클레이슬리 범주 내의 화살표)이다.

1-셀의 합성에는 모나드의 강도(strength)를 사용하여 파라미터 공간을 결합하고 기저의 불확실한 프로세스를 합성하는 과정이 포함된다. 결과물은 거의 엄격한(nearly strict) 대칭 단성 2-범주이며, 여기서 교환 법칙과 대칭성은 일관된 가역적 2-셀(tensorators)에 의해 성립한다.

핵심 기여

• 일반적 구성: 본 논문은 임의의 대칭 단성 $V$-범주 $\mathcal{C}$를 매개변수적 불확실성을 가진 대칭 단성 2-범주로 변환하는 엄밀한 구성을 확립하며, 원래의 대상을 보존하고 엄격한 대칭 단성 함자를 통해 원래의 범주를 임베딩한다.
• 구조 보존: 이 구성은 컴팩트 폐쇄 구조, (공)단성 구조, 그리고 공급(supplies, 예: 복사 및 삭제 맵)이 원래의 범주로부터 새로운 2-범주로 전이됨을 증명한다. 이는 불확실성이 존재하는 상황에서도 합성적 추론과 피드백 루프가 유효함을 보장한다.
• 의미론의 유연성: 이 프레임워크는 대칭 단성 모나드로 모델링될 수 있다면 특정 불확실성 유형에 구애받지 않는다. 저자들은 다음의 적용 가능성을 입증한다:
  • 가능론적 불확실성: 멱집합 모나드(부분집합) 또는 화살표 모나드(구간) 사용.
  • 확률적 불확실성: 가측 공간 상의 기리 모나드(분포) 사용.
• 설계 문제(DP)에 대한 적용: 저자들은 이 구성을 설계 문제 범주($DP$)에 적용한다. 그들은$DP$가$\mathbf{Pos}$, $\mathbf{Set}$, 또는 $\mathbf{Meas}$ 상에서 인리치드될 수 있음을 보여줌으로써, 매개변수화된 설계 문제, 매개변수화된 설계 문제의 구간, 그리고 매개변수화된 설계 문제의 분포를 생성할 수 있게 한다.

결과 및 예시
논문은 설계 문제 범주에 대한 구체적인 응용을 통해 이 구성의 유용성을 입증한다:

• 매개변수화된 설계 문제: $(U/\text{Id})^*DP$는 외부 매개 변수(예: 환경 조건 또는 설계 선택)에 따라 타당성이 결정되는 설계 문제를 모델링한다.
• 강건 설계(Robust Design): 멱집합 모나드를 사용하여, $(U/\text{Pow}_\emptyset)^*DP$는 파라미터가 비어 있지 않은 설계의 부분집합으로 매핑되는 강건 설계 문제를 모델링하며, 이를 통해 최악의 경우 분석을 허용한다.
• 확률적 설계: 분포 모나드를 사용하여, $(U/D_\Sigma)^*DP$는 구성 요소가 확률적 성능 특성을 갖는 설계 문제를 모델링한다. 이는 무작위 영향과 베이지안 결정 이론의 사용을 모델링할 수 있게 한다.
• 학습 및 추론: 이 프레임워크는 데이터로부터 설계 문제를 학습하는 것을 지원한다. 예를 들어, 베이지안 설정에서 이 구성은 관찰된 데이터(예: 속도, 하중, 비용의 타당한 삼조)에 대해 설계 문제 분포를 조건화하여 미지의 파라미터에 대한 믿음을 업데이트할 수 있게 한다.
• 능동 학습(Active Learning): 구성의 합성적 성질은 개별 구성 요소에 대한 대리 모델(surrogate models)을 합성하여 시스템 수준의 정보를 예측하고 믿음을 업데이트함으로써 능동 학습 전략을 용이하게 한다.

의의
본 논문은 이 구성이 개방형 시스템 연구와 공동 설계에 양적인 불확실성을 통합하기 위한 통일되고 합성 가능한 프레임워크를 제공한다고 주장한다. 대칭 단성 및 컴팩트 폐쇄 구조를 보존함으로써, 엔지니어와 연구자들이 불확실한 시스템에 기존의 범주적 도구(예: 함자적 쿼리 및 다이어그램적 추론)를 적용할 수 있게 한다. 결정론적 경계에만 의존하는 기존 방식의 한계를 극복하고, 단일 2-범주적 프레임워크 내에서 다양한 불확실성 의미론(구간, 부분집합, 분포)을 다룰 수 있는 능력은 결정적인 가치를 지닌다. 이 구성은 복잡한 불확실한 설계 문제를 단순하고 해결 가능한 구성 요소로 분해하면서도, 의사 결정 및 불확실성 하의 학습을 위한 엄밀한 수학적 토대를 유지할 수 있게 한다.